Análisis de las votaciones de la Cámara de Diputadas y Diputados

Introducción

En el presente notebook se analizarán las votaciones realizadas por la Cámara de Diputadas y Diputados de Chile en su LVI periodo legislativo (iniciado el 11 de marzo de 2022). La metodología fue inspirada en FiveThirtyEight, quienes realizaron un análisis similar para la Cámara de Representantes de los Estados Unidos.

Los datos fueron obtenidos mediante Datos Abiertos Legislativos, debiéndose procesar los XML con el detalle de cada votación entre el 11 de marzo de 2022 y la fecha de realización del análisis (13 de octubre de 2024). La militancia actual de cada diputado también fue extraída de la plataforma. A cada diputado se le asoció un número por cada votación realizada en el Congreso: 1 si el diputado aprobó la moción, -1 si la rechazó, y 0 si se abstuvo. Los valores faltantes (debido a ausencias de los diputados) se calcularon usando imputación mediante KNN.

Luego, se realizó Principal Component Analysis (PCA) sobre la tabla resultante, para asociar a cada diputado con una coordenada en 2 dimensiones que refleja sus patrones de voto. Se encontró una clara asociación entre la primera coordenada del PCA y la posición del diputado en el clásico eje izquierda-derecha. Usando estos valores, se analizaron las tendencias de los diputados y sus partidos políticos, incluyendo la cohesión de estos últimos a la hora de votar.

Finalmente, se realizó un clustering utilizando K-Means con $k=5$, obteniendo 5 grupos de diputados que votan de manera similar. Cada grupo fue posteriormente analizado, concluyendo que los clusters calzan con las principales fuerzas políticas visibles al interior del Congreso.

import xml.etree.ElementTree as ET
import requests

import pickle
import pandas as pd
import numpy as np
from datetime import datetime

import matplotlib.pyplot as plt
import plotly.express as px

from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
from sklearn.impute import KNNImputer

from plotly.offline import init_notebook_mode
init_notebook_mode()

Carga de datos

# fechas para las cuales se tomará información
start_date = datetime.strptime("2022-03-11", "%Y-%m-%d")
end_date = datetime.strptime("2024-10-13", "%Y-%m-%d")

# prefijo para los sitios de las requests
vote_req_prefix = "https://opendata.camara.cl/camaradiputados/WServices/WSLegislativo.asmx/"
deputy_req_prefix = "https://opendata.camara.cl/camaradiputados/WServices/WSDiputado.asmx/"

# prefijo para las tags de los archivos XML
tag_prefix = r"{http://opendata.camara.cl/camaradiputados/v1}"


# función auxiliar para parsear fechas
def parse_date(date_str):
   return datetime.strptime(date_str, "%Y-%m-%dT%H:%M:%S") 

Para cada año de nuestro interés, se obtienen todas las votaciones de ese año. Para cada votación, buscamos y guardamos la opción por la cual votó cada uno de los diputados (1 si fue a favor, -1 si fue en contra, 0 si se abstuvo, e inicialmente NaN si no estaba presente).

votes_dict = {}  # diccionario con todas las votaciones

# en orden inverso (porque así está ordenado el XML)
years = range(end_date.year, start_date.year-1, -1)

for year in years:

    # obtenemos lista de votaciones de ese año
    votings_request = requests.get(
        vote_req_prefix + "retornarVotacionesXAnno",
        params={"prmAnno": year}
    )
    votings = ET.fromstring(votings_request.content)

    for voting in votings:
        
        # revisa si la votación está dentro de los límites, la salta si no
        voting_date = parse_date(voting.find(tag_prefix + "Fecha").text)
        if voting_date < start_date or voting_date > end_date:
            continue
        
        voting_id = voting[0].text  # id de la votación
        print(f"Procesando votación {voting_id}", end="\r")
        
        # obtenemos detalles de la votación
        voting_detail_request = requests.get(
            vote_req_prefix + "retornarVotacionDetalle",
            params={"prmVotacionId": voting_id}
        )
        voting_detail = ET.fromstring(voting_detail_request.content)
        
        # votos individuales en la votación
        votes = voting_detail.find(tag_prefix + "Votos")
        
        if votes is not None:
            votes_dict[voting_id] = {}  # dict de la votación actual
            for vote in votes:
                
                deputy_id = vote[0][0].text  # id del diputado
                deputy_choice = vote[1].attrib["Valor"]  # opción de voto
                
                # se agrega al diccionario
                votes_dict[voting_id][deputy_id] = deputy_choice

Procesando votación 38467

vote_df = pd.DataFrame(votes_dict)
vote_df = vote_df.astype(float)
vote_df = vote_df.replace(to_replace={0: -1, 2: 0})

vote_df

	43918	43917	43914	43913	43912	43911	43907	43906	43905	43904	...	38482	38481	38478	38477	38476	38475	38474	38469	38468	38467
1171	-1.0	NaN	-1.0	-1.0	1.0	1.0	NaN	NaN	NaN	NaN	...	-1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
1121	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1139	1.0	NaN	1.0	1.0	NaN	NaN	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0
1105	-1.0	1.0	-1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	...	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
976	1.0	1.0	1.0	1.0	-1.0	NaN	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1113	NaN	NaN	1.0	1.0	-1.0	NaN	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
989	NaN	NaN	NaN	1.0	-1.0	NaN	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1158	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1116	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
1154	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1.0	1.0	1.0

155 rows × 3980 columns

Ahora, a cada valor nulo le asignamos el promedio de sus 10 vecinos más cercanos, para no tener que asignarle un valor arbitrario a las ausencias. Esto se realiza mediante KNNImputer.

imputer = KNNImputer(n_neighbors=10)
imputer.set_output(transform="pandas")
vote_df = imputer.fit_transform(vote_df)

vote_df

	43918	43917	43914	43913	43912	43911	43907	43906	43905	43904	...	38482	38481	38478	38477	38476	38475	38474	38469	38468	38467
1171	-1.0	-1.0	-1.0	-1.0	1.0	1.0	1.0	1.0	1.0	1.0	...	-1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
1121	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1139	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0
1105	-1.0	1.0	-1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	...	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
976	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1113	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
989	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1158	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
1116	-0.8	0.6	0.3	0.7	-0.3	1.0	1.0	1.0	1.0	1.0	...	-0.6	1.0	1.0	1.0	1.0	1.0	1.0	1.0	-1.0	-1.0
1154	1.0	1.0	1.0	1.0	-1.0	0.1	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	0.9	-1.0	1.0	1.0	1.0

155 rows × 3978 columns

Finalmente, se procesan los diputados con su información relevante, y se agregan al final de la tabla con los resultados de las votaciones.

deputy_indices = []
deputy_data = []

deputies_request = requests.get(deputy_req_prefix + "retornarDiputados")
deputies = ET.fromstring(deputies_request.content)

for deputy in deputies:
    
    deputy_id = deputy.find(tag_prefix + "Id").text
    
    # caso borde
    if deputy_id == "9999":
        continue
    
    deputy_first_name = deputy.find(tag_prefix + "Nombre").text
    deputy_last_name = deputy.find(tag_prefix + "ApellidoPaterno").text
    deputy_sex = deputy.find(tag_prefix + "Sexo").text

    # último partido al cual ha pertenecido el diputado
    militancies = deputy.find(tag_prefix + "Militancias")
    last_militancy_start = None
    deputy_party = None
    for militancy in militancies:
        
        militancy_start = parse_date(militancy[1].text)
        if (
            militancy_start < end_date and
            (
                last_militancy_start is None
                or militancy_start > last_militancy_start
            )
        ):
            last_militancy_start = militancy_start
            deputy_party = militancy[2][1].text
    
    deputy_indices.append(deputy_id)
    deputy_data.append([
        deputy_first_name,
        deputy_last_name,
        deputy_sex,
        deputy_party
    ])

deputy_df = pd.DataFrame(
    index=deputy_indices,
    columns=["nombre", "apellido", "sexo", "partido"],
    data=deputy_data
)
deputy_df
    

	nombre	apellido	sexo	partido
208	Víctor	Pérez	Masculino	Unión Demócrata Independiente
485	Jorge	Pizarro	Masculino	Partido Demócrata Cristiano
684	Sergio	Pizarro	Masculino	Partido Demócrata Cristiano
696	José Alfonso	Rodríguez	Masculino	Renovación Nacional
951	David	Sandoval	Masculino	Unión Demócrata Independiente
...	...	...	...	...
1106	Miguel Ángel	Becker	Masculino	Renovación Nacional
1118	Ricardo	Cifuentes	Masculino	Partido Demócrata Cristiano
1135	Johannes	Kaiser	Masculino	Independientes
1144	Christian	Matheson	Masculino	Independientes
1149	Carla	Morales	Femenino	Renovación Nacional

551 rows × 4 columns

# juntamos los resultados de las votaciones con la info. de los diputados
vote_df = vote_df.merge(
    right=deputy_df,
    how="left",
    left_index=True,
    right_index=True
)

vote_df

	43918	43917	43914	43913	43912	43911	43907	43906	43905	43904	...	38476	38475	38474	38469	38468	38467	nombre	apellido	sexo	partido
1171	-1.0	-1.0	-1.0	-1.0	1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	-1.0	-1.0	Emilia	Schneider	Femenino	Frente Amplio
1121	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	Eduardo	Cornejo	Masculino	Unión Demócrata Independiente
1139	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	Enrique	Lee	Masculino	Independientes
1105	-1.0	1.0	-1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	-1.0	-1.0	Héctor	Barría	Masculino	Partido Demócrata Cristiano
976	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	-1.0	1.0	1.0	1.0	Juan Antonio	Coloma	Masculino	Unión Demócrata Independiente
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1113	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	Marta	Bravo	Femenino	Unión Demócrata Independiente
989	1.0	1.0	1.0	1.0	-1.0	0.9	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	Joaquín	Lavín	Masculino	Unión Demócrata Independiente
1158	1.0	1.0	1.0	1.0	-1.0	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	1.0	1.0	Víctor Alejandro	Pino	Masculino	Partido Demócratas Chile
1116	-0.8	0.6	0.3	0.7	-0.3	1.0	1.0	1.0	1.0	1.0	...	1.0	1.0	1.0	1.0	-1.0	-1.0	Felipe	Camaño	Masculino	Independientes
1154	1.0	1.0	1.0	1.0	-1.0	0.1	1.0	1.0	1.0	1.0	...	1.0	0.9	-1.0	1.0	1.0	1.0	Mauricio	Ojeda	Masculino	Independientes

155 rows × 3982 columns

# guardado de datos (para no tener que ejecutar la carga de nuevo)
vote_df.to_pickle("data/vote_df.pkl")

PCA (Principal Component Analysis)

# cargado de datos
with open("data/vote_df.pkl", 'rb') as file:
    vote_df = pickle.load(file)

Realizamos Principal Component Analysis para reducir el espacio de trabajo a solo 2 dimensiones y así poder visualizarlo.

Si etiquetamos cada diputado según el partido al cual pertenece, se puede observar claramente que la primera componente del PCA corresponde a un eje político izquierda-derecha. La segunda componente no tiene una explicación tan clara, pero solo explica un 7% de la varianza (versus el 64% que explica la primera componente), por lo cual su análisis probablemente requiera una comprensión más profunda sobre las relaciones al interior del Congreso.

En cuanto a la ubicación de cada uno de los diputados, se presentan algunas observaciones interesantes:

• Aunque pertenece al Partido Comunista, la diputada Cariola tiene patrones de votación mucho más similares a aquellos del Frente Amplio.
• El diputado Pino, aunque actualmente pertenece a Demócratas, tiene un historial de votación mucho más cercano al bloque de Chile Vamos.
• Los políticos más "de izquierda" pertenecen al Partido Comunista y a Acción Humanista, mientras que los más "de derecha" son militantes o están asociados al Partido Republicano.
• Existe un alto nivel de polarización en el Congreso, con una cantidad muy pequeña de diputados ubicados en el "centro" político. Solo 16 de los 155 diputados (10%) tienen una primera componente entre -20 y 20, aunque este rango considere un 47% del espacio entre los diputados más extremos.
• Todos los partidos políticos con más de un par de diputados parecen estar bastante cohesionados en "bloques" definidos.

En relación a este último punto, podemos calcular cuánta "separación" hay al interior de cada partido, mediante la distancia promedio de los diputados al centroide del partido al cual pertenecen. Claramente la mayor separación corresponde a los políticos independientes, pero se puede observar que entre los partidos con alta separación se encuentran Demócratas (por el diputado Pino), la DC (probablemente debido al diputado Aedo) y la UDI (que tiene un espectro bastante amplio en la segunda componente del PCA, con algunos diputados que se asemejan a RN/Evópoli y otros que se acercan más al cluster Republicano). Por el contrario, los partidos con mayor cohesión (que tengan más de un diputado) son Acción Humanista, el Partido Comunista y Republicanos.

# dataframe solo con valores numéricos
vote_df_num = vote_df.iloc[:, :-4]

# hacemos PCA
pca = PCA(n_components=2)
pca_fit = pca.fit_transform(vote_df_num)
pca_df = pd.DataFrame(pca_fit, columns=['PCA1', 'PCA2'])

# agregamos columna de partido, nombre y apellido para plottear
pca_df[["nombre", "apellido", "partido"]] = (
    vote_df[["nombre", "apellido", "partido"]]
    .reset_index(drop=True)
)

print("Porcentaje de la varianza explicada por cada componente:")
print(pca.explained_variance_ratio_)

Porcentaje de la varianza explicada por cada componente:
[0.64127907 0.07304191]

# código auxiliar para asignar un color (arbitrario) a cada partido político
color_sequence = px.colors.qualitative.Light24
parties = pca_df["partido"].drop_duplicates().sort_values()
color_map = dict(zip(parties, color_sequence))

# plot con la distribución de los diputados en 2 dimensiones

fig = px.scatter(
    pca_df,
    x="PCA1",
    y="PCA2",
    color="partido",
    hover_data=["nombre", "apellido"],
    color_discrete_map=color_map,
    title="Distribución de diputados según PCA"
)
fig.update_layout(
    autosize=False,
    width=1000,
    height=600,
)
fig.show()

# ordenamos los diputados según PCA1 y les asignamos su posición en `index`
pca_df_ordered = (
    pca_df.sort_values("PCA1")
    .reset_index()[["PCA1", "partido", "nombre", "apellido"]]
    .reset_index()
)
fig = px.scatter(
    pca_df_ordered,
    x="PCA1",
    y="index",
    color="partido",
    hover_data=["nombre", "apellido"],
    color_discrete_map=color_map,
    title="Diputados según eje izquierda-derecha (componente 1 de PCA)",
)
fig.update_layout(
    autosize=False,
    width=1000,
    height=1000,
)
fig.show()

# diputados más "extremos"
(pca_df.sort_values("PCA1").reset_index())[
    ["PCA1", "partido", "nombre", "apellido"]
]

	PCA1	partido	nombre	apellido
0	-41.784536	Partido Comunista	Lorena	Pizarro
1	-41.734838	Partido Comunista	Matías	Ramírez
2	-41.694687	Partido Comunista	Nathalie	Castillo
3	-41.591144	Partido Acción Humanista	Tomás	Hirsch
4	-41.533545	Partido Comunista	María Candelaria	Acevedo
...	...	...	...	...
150	42.971491	Partido Republicano	Luis	Sánchez
151	42.986982	Partido Republicano	Juan	Irarrázaval
152	43.005649	Partido Republicano	Benjamín	Moreno
153	43.028973	Partido Republicano	Agustín	Romero
154	43.086088	Independientes	Harry	Jürgensen

155 rows × 4 columns

# posición promedio de cada partido
party_means = (
    pca_df.groupby("partido", sort=False)[["PCA1", "PCA2"]]
    .mean()
    .reset_index()
)
fig = px.scatter(
    party_means,
    x="PCA1",
    y="PCA2",
    color="partido",
    color_discrete_map=color_map,
    title="Posición promedio de los diputados de cada partido"
)
fig.update_layout(
    autosize=False,
    width=1000,
    height=600,
)
fig.show()

# función para calcular la distancia promedio de los diputados a la media
# de su partido (una forma de ver la dispersión en sus decisiones)
def distance_to_mean(df):
    
    return np.sqrt((np.square(df - df.mean())).sum(axis=1)).mean()

party_distances = (
    vote_df
    .drop(columns=["nombre", "apellido", "sexo"])
    .groupby("partido", sort=False)
    .apply(distance_to_mean)
)
party_distances = (
    party_distances
    .to_frame()
    .reset_index()
    .rename(columns={0: "avg_dist_to_mean"})
    .sort_values(by="avg_dist_to_mean", ascending=False)
)

party_distances

	partido	avg_dist_to_mean
2	Independientes	41.997666
12	Partido Demócratas Chile	23.482063
3	Partido Demócrata Cristiano	20.039613
1	Unión Demócrata Independiente	18.893923
11	Partido Social Cristiano	17.841666
6	Partido Socialista	17.263220
8	Renovación Nacional	16.768582
9	Partido Por la Democracia	14.989334
0	Frente Amplio	13.829228
13	Partido Liberal de Chile	13.297805
16	Evolución Política	11.994269
17	Partido Radical de Chile	10.842278
5	Partido Republicano	9.400141
10	Partido Comunista	9.317484
7	Partido Acción Humanista	7.753870
4	Partido Humanista	0.000000
14	Federación Regionalista Verde Social	0.000000
15	Movimiento Amarillos por Chile	0.000000

Clustering

Se utilizó K-Means para el clustering, decidiéndose utilizar 5 clusters tras la realización del método del codo.

sse = []
clusters = list(range(1, 16))
for k in clusters:
    kmeans = KMeans(n_clusters=k, n_init=10, random_state=0).fit(vote_df_num)
    sse.append(kmeans.inertia_)

plt.plot(clusters, sse, marker="o")
plt.title("Método del codo")
plt.xlabel("Número de clusters")
plt.ylabel("SSE")
plt.grid(True)
plt.show()

# k-means con 5 clusters
kmeans5 = KMeans(n_clusters=5, n_init=100, random_state=0).fit(vote_df_num)
cluster_labels = kmeans5.labels_ + 1

fig = px.scatter(
    pca_df,
    x="PCA1",
    y="PCA2",
    color=cluster_labels.astype(str),
    hover_data=["partido", "nombre", "apellido"],
    color_discrete_sequence=px.colors.qualitative.T10,
    title="K-Means, 5 clusters",
    category_orders={"color": ["1", "2", "3", "4", "5"]},
    labels={"color": "cluster"}
)
fig.update_layout(
    autosize=False,
    width=1000,
    height=600,
)
fig.show()

Análisis de clusters

# función auxiliar que retorna un dataframe con todos los diputados que
# pertenecen a un cluster en particular, ordenados por partido y nombre
def list_cluster_deputies(
    cluster_idx,
    cluster_labels=cluster_labels,
    df=vote_df
):
    cluster_deps = df.loc[cluster_labels == cluster_idx]
    cluster_deps = cluster_deps.sort_values(["partido", "apellido", "nombre"])
    return cluster_deps[["nombre", "apellido", "sexo", "partido"]]


# función auxiliar que recibe un índice de cluster, y retorna un dataframe
# donde a cada partido se le asocia el porcentaje de sus diputados que
# pertenecen a dicho cluster
def percentage_of_parties_in_cluster(
    cluster_idx,
    cluster_labels=cluster_labels,
    df=vote_df
):
    
    all_parties = df["partido"].value_counts()
    
    cluster_parties = (
        df.loc[cluster_labels == cluster_idx]["partido"]
        .value_counts()
    )
    
    parties_comp = pd.merge(
        left=all_parties,
        right=cluster_parties,
        how="right",
        left_index=True,
        right_index=True,
        suffixes=("_all", "_cluster")
    )
    parties_comp["porcentaje"] = (
        parties_comp["count_cluster"]
        / parties_comp["count_all"]
    )
    
    return (
        parties_comp["porcentaje"]
        .sort_values(ascending=False)
        .to_frame()
        .reset_index()
        .rename(columns={0: "porcentaje"})
    )

Cluster 1: Demócratas/ex-PDG

El primer cluster está compuesto por 10 diputados:

• 6 diputados independientes (14% del total de independientes). 3 de ellos (Medina, Oyarzo y Rivas) fueron electos por el Partido de la Gente, pero posteriormente abandonaron el partido. El diputado Pulgar fue electo en cupo de Centro Unido pero inmediatamente pasó a formar parte de la bancada del PDG.
• 3 diputados de Demócratas (75% de los diputados del partido). El diputado Pino pertenece a Demócratas, pero fue asignado al cluster 3.
• Un diputado de Amarillos (100% de los diputados del partido).

list_cluster_deputies(1)

	nombre	apellido	sexo	partido
1016	Miguel Ángel	Calisto	Masculino	Independientes
1116	Felipe	Camaño	Masculino	Independientes
1145	Karen	Medina	Femenino	Independientes
1155	Rubén Darío	Oyarzo	Masculino	Independientes
1161	Francisco	Pulgar	Masculino	Independientes
948	Gaspar	Rivas	Masculino	Independientes
1134	Andrés	Jouannet	Masculino	Movimiento Amarillos por Chile
1057	Erika	Olivera	Femenino	Partido Demócratas Chile
1062	Joanna	Pérez	Femenino	Partido Demócratas Chile
1168	Jorge	Saffirio	Masculino	Partido Demócratas Chile

percentage_of_parties_in_cluster(1)

	partido	porcentaje
0	Movimiento Amarillos por Chile	1.000000
1	Partido Demócratas Chile	0.750000
2	Independientes	0.142857

Cluster 2: Socialismo Democrático

El segundo cluster está compuesto por 37 diputados, pertenencientes en su gran mayoría al Socialismo Democrático:

• 12 diputados independientes (29% del total de independientes). La mayoría fueron electos como independientes en cupos del Socialismo Democrático.
• 12 diputados del Partido Socialista (100% de los diputados del partido).
• 4 diputados de la Democracia Cristiana (100% de los diputados del partido).
• 3 diputados del Partido Liberal (100% de los diputados del partido).
• 3 diputados del PPD (100% de los diputados del partido).
• 2 diputados del Partido Radical (100% de los diputados del partido).
• Una diputada del Partido Humanista (100% de los diputados del partido).

list_cluster_deputies(2)

	nombre	apellido	sexo	partido
803	René	Alinco	Masculino	Independientes
1099	Jaime	Araya	Masculino	Independientes
1101	Mónica	Arce	Femenino	Independientes
1110	Carlos	Bianchi	Masculino	Independientes
1124	Tomás	De Rementería	Masculino	Independientes
1125	Viviana	Delgado	Femenino	Independientes
1130	Marta	González	Femenino	Independientes
1137	Tomás	Lagomarsino	Masculino	Independientes
1151	Camila	Musante	Femenino	Independientes
1175	Cristián	Tapia	Masculino	Independientes
1178	Héctor	Ulloa	Masculino	Independientes
1182	Sebastián	Videla	Masculino	Independientes
1097	Eric	Aedo	Masculino	Partido Demócrata Cristiano
1105	Héctor	Barría	Masculino	Partido Demócrata Cristiano
1118	Ricardo	Cifuentes	Masculino	Partido Demócrata Cristiano
1179	Alberto	Undurraga	Masculino	Partido Demócrata Cristiano
1039	Pamela	Jiles	Femenino	Partido Humanista
1013	Alejandro	Bernales	Masculino	Partido Liberal de Chile
1141	Luis	Malla	Masculino	Partido Liberal de Chile
991	Vlado	Mirosevic	Masculino	Partido Liberal de Chile
1048	Carolina	Marzán	Femenino	Partido Por la Democracia
1147	Helia	Molina	Femenino	Partido Por la Democracia
1077	Raúl	Soto	Masculino	Partido Por la Democracia
1049	Cosme	Mellado	Masculino	Partido Radical de Chile
1076	Alexis	Sepúlveda	Masculino	Partido Radical de Chile
1103	Danisa	Astudillo	Femenino	Partido Socialista
1112	Ana María	Bravo	Femenino	Partido Socialista
975	Daniella	Cicardini	Femenino	Partido Socialista
1038	Marcos	Ilabaca	Masculino	Partido Socialista
1044	Raúl	Leiva	Masculino	Partido Socialista
1142	Daniel	Manouchehri	Masculino	Partido Socialista
990	Daniel	Melo	Masculino	Partido Socialista
74	Jaime	Naranjo	Masculino	Partido Socialista
1056	Emilia	Nuyado	Femenino	Partido Socialista
1073	Juan	Santana	Masculino	Partido Socialista
1002	Leonardo	Soto	Masculino	Partido Socialista
1181	Nelson	Venegas	Masculino	Partido Socialista

percentage_of_parties_in_cluster(2)

	partido	porcentaje
0	Partido Socialista	1.000000
1	Partido Demócrata Cristiano	1.000000
2	Partido Por la Democracia	1.000000
3	Partido Liberal de Chile	1.000000
4	Partido Radical de Chile	1.000000
5	Partido Humanista	1.000000
6	Independientes	0.285714

Cluster 3: Chile Vamos

El tercer cluster es el más grande, y está compuesto por 55 diputados, pertenencientes en su gran mayoría a Chile Vamos:

• 20 diputados de la UDI (100% de los diputados del partido).
• 17 diputados de Renovación Nacional (100% de los diputados del partido).
• 12 diputados independientes (29% del total de independientes). La mayoría fueron electos como independientes en cupos de Chile Vamos.
• 3 diputados del Partido Social Cristiano (100% de los diputados del partido).
• 2 diputados de Evópoli (100% de los diputados del partido).
• Un diputado de Demócratas (25% de los diputados del partido). Corresponde al diputado Pino antes mencionado.

list_cluster_deputies(3)

	nombre	apellido	sexo	partido
1132	Jorge	Guzmán	Masculino	Evolución Política
1081	Francisco	Undurraga	Masculino	Evolución Política
1098	Yovana	Ahumada	Femenino	Independientes
971	Bernardo	Berger	Masculino	Independientes
1022	Sofía	Cid	Femenino	Independientes
1120	María Luisa	Cordero	Femenino	Independientes
1025	Catalina	Del Real	Femenino	Independientes
1136	Paula	Labra	Femenino	Independientes
1139	Enrique	Lee	Masculino	Independientes
1144	Christian	Matheson	Masculino	Independientes
1157	Marlene	Pérez	Femenino	Independientes
1166	Natalia	Romero	Femenino	Independientes
1176	Hotuiti	Teao	Masculino	Independientes
1003	Renzo	Trisotti	Masculino	Independientes
1158	Víctor Alejandro	Pino	Masculino	Partido Demócratas Chile
1102	Roberto	Arroyo	Masculino	Partido Social Cristiano
1119	Sara	Concha	Femenino	Partido Social Cristiano
1054	Francesca	Muñoz	Femenino	Partido Social Cristiano
1106	Miguel Ángel	Becker	Masculino	Renovación Nacional
1108	Juan Carlos	Beltrán	Masculino	Renovación Nacional
1019	José Miguel	Castro	Masculino	Renovación Nacional
1021	Andrés	Celis	Masculino	Renovación Nacional
1028	Eduardo	Durán	Masculino	Renovación Nacional
1027	Jorge	Durán	Masculino	Renovación Nacional
1030	Camila	Flores	Femenino	Renovación Nacional
1131	Mauro	González	Masculino	Renovación Nacional
1046	Andrés	Longton	Masculino	Renovación Nacional
1050	Miguel	Mellado	Masculino	Renovación Nacional
1149	Carla	Morales	Femenino	Renovación Nacional
1059	Ximena	Ossandón	Femenino	Renovación Nacional
1163	Marcia	Raphael	Femenino	Renovación Nacional
999	Jorge	Rathgeb	Masculino	Renovación Nacional
1067	Hugo	Rey	Masculino	Renovación Nacional
953	Frank	Sauerbaum	Masculino	Renovación Nacional
1075	Diego	Schalper	Masculino	Renovación Nacional
1009	Jorge	Alessandri	Masculino	Unión Demócrata Independiente
1109	Gustavo	Benavente	Masculino	Unión Demócrata Independiente
815	Sergio	Bobadilla	Masculino	Unión Demócrata Independiente
1113	Marta	Bravo	Femenino	Unión Demócrata Independiente
1111	Fernando	Bórquez	Masculino	Unión Demócrata Independiente
1017	Álvaro	Carter	Masculino	Unión Demócrata Independiente
976	Juan Antonio	Coloma	Masculino	Unión Demócrata Independiente
1121	Eduardo	Cornejo	Masculino	Unión Demócrata Independiente
1126	Felipe	Donoso	Masculino	Unión Demócrata Independiente
1031	Juan	Fuenzalida	Masculino	Unión Demócrata Independiente
1094	Cristian	Labbé	Masculino	Unión Demócrata Independiente
989	Joaquín	Lavín	Masculino	Unión Demócrata Independiente
1138	Henry	Leal	Masculino	Unión Demócrata Independiente
1140	Daniel	Lilayu	Masculino	Unión Demócrata Independiente
1143	Cristóbal	Martínez	Masculino	Unión Demócrata Independiente
1053	Cristhian	Moreira	Masculino	Unión Demócrata Independiente
1065	Guillermo	Ramírez	Masculino	Unión Demócrata Independiente
1174	Marco Antonio	Sulantay	Masculino	Unión Demócrata Independiente
917	Gastón	Von Mühlenbrock	Masculino	Unión Demócrata Independiente
1183	Flor	Weisse	Femenino	Unión Demócrata Independiente

percentage_of_parties_in_cluster(3)

	partido	porcentaje
0	Unión Demócrata Independiente	1.000000
1	Renovación Nacional	1.000000
2	Partido Social Cristiano	1.000000
3	Evolución Política	1.000000
4	Independientes	0.285714
5	Partido Demócratas Chile	0.250000

Cluster 4: Frente Amplio/Chile Digno

El cuarto cluster está compuesto por 38 diputados, pertenencientes en su gran mayoría al Frente Amplio y Chile Digno:

• 20 diputados del Frente Amplio (100% de los diputados del partido)
• 10 diputados del Partido Comunista (100% de los diputados del partido)
• 5 diputados independientes (12% del total de independientes).
• 2 diputados de Acción Humanista (100% de los diputados del partido).
• Un diputado del FREVS (100% de los diputados del partido).

list_cluster_deputies(4)

	nombre	apellido	sexo	partido
872	Jaime	Mulet	Masculino	Federación Regionalista Verde Social
1107	María Francisca	Bello	Femenino	Frente Amplio
1015	Jorge	Brito	Masculino	Frente Amplio
1114	Félix	Bugueño	Masculino	Frente Amplio
1127	Lorena	Fries	Femenino	Frente Amplio
1129	Andrés	Giordano	Masculino	Frente Amplio
1037	Diego	Ibáñez	Masculino	Frente Amplio
1051	Claudia	Mix	Femenino	Frente Amplio
1148	Javiera	Morales	Femenino	Frente Amplio
1058	Maite	Orsini	Femenino	Frente Amplio
1063	Catalina	Pérez	Femenino	Frente Amplio
1164	Marcela	Riquelme	Femenino	Frente Amplio
1068	Camila	Rojas	Femenino	Frente Amplio
1070	Patricio	Rosas	Masculino	Frente Amplio
1169	Clara	Sagardia	Femenino	Frente Amplio
1171	Emilia	Schneider	Femenino	Frente Amplio
1167	Jaime	Sáez	Masculino	Frente Amplio
1177	Carolina	Tello	Femenino	Frente Amplio
1086	Gonzalo	Winter	Masculino	Frente Amplio
1087	Gael	Yeomans	Femenino	Frente Amplio
1153	Ericka	Ñanco	Femenino	Frente Amplio
1115	Mercedes	Bulnes	Femenino	Independientes
1034	Félix	González	Masculino	Independientes
1156	Hernán	Palma	Masculino	Independientes
1074	Marisela	Santibáñez	Femenino	Independientes
1180	Consuelo	Veloso	Femenino	Independientes
1128	Ana María	Gazmuri	Femenino	Partido Acción Humanista
1036	Tomás	Hirsch	Masculino	Partido Acción Humanista
1096	María Candelaria	Acevedo	Femenino	Partido Comunista
1012	Boris	Barrera	Masculino	Partido Comunista
973	Karol	Cariola	Femenino	Partido Comunista
1117	Nathalie	Castillo	Femenino	Partido Comunista
1122	Luis Alberto	Cuello	Masculino	Partido Comunista
1035	Carmen	Hertz	Femenino	Partido Comunista
1159	Lorena	Pizarro	Femenino	Partido Comunista
1160	Alejandra	Placencia	Femenino	Partido Comunista
1162	Matías	Ramírez	Masculino	Partido Comunista
1173	Daniela	Serrano	Femenino	Partido Comunista

percentage_of_parties_in_cluster(4)

	partido	porcentaje
0	Frente Amplio	1.000000
1	Partido Comunista	1.000000
2	Partido Acción Humanista	1.000000
3	Federación Regionalista Verde Social	1.000000
4	Independientes	0.119048

Cluster 5: Republicanos

El quinto y último cluster está compuesto por 15 diputados:

• 8 diputados del Partido Republicano (100% de los diputados del partido)
• 7 diputados independientes (17% del total de independientes). Todos están asociados al Partido Republicano (fueron electos como independientes en cupos de Republicanos, o fueron electos mientras pertenecían al partido y luego fueron expulsados o renunciaron).

list_cluster_deputies(5)

	nombre	apellido	sexo	partido
1123	Gonzalo	De la Carrera	Masculino	Independientes
1040	Harry	Jürgensen	Masculino	Independientes
1135	Johannes	Kaiser	Masculino	Independientes
1152	Gloria	Naveillan	Femenino	Independientes
1154	Mauricio	Ojeda	Masculino	Independientes
1069	Leonidas	Romero	Masculino	Independientes
1172	Stephan	Schubert	Masculino	Independientes
1100	Cristián	Araya	Masculino	Partido Republicano
1104	Chiara	Barchiesi	Femenino	Partido Republicano
1133	Juan	Irarrázaval	Masculino	Partido Republicano
1146	José Carlos	Meza	Masculino	Partido Republicano
1150	Benjamín	Moreno	Masculino	Partido Republicano
1165	Agustín	Romero	Masculino	Partido Republicano
1170	Luis	Sánchez	Masculino	Partido Republicano
1082	Cristóbal	Urruticoechea	Masculino	Partido Republicano

percentage_of_parties_in_cluster(5)

	partido	porcentaje
0	Partido Republicano	1.000000
1	Independientes	0.166667